基于CMYK空间的火灾区域粒子群优化快速定位方法

将CMYK彩色模型下的火焰颜色特征与粒子群优化(Particle swarm optimization,PSO)算法求最优适应度函数相结合,通过合理配置检测窗口邻域中颜色的M,y各低阶矩的特征在欧氏距离分类适应度函数中的因子及PSO中各参数,使森林监测图像的可疑火灾着火点的初定位控制在0.05s以内,最后通过对火灾样本关键图与初定位可疑着火点的颜色互信息的计算而得到进一步的校验和确定.实验表明改进的PSO算法具有良好的火焰区域定位效果及运算效率,易于移植到前端探测的嵌入式火灾探测系统.     

一种引入动态词库更新的中文分词架构

针对互联网环境下新词出现和更新频率高的特点,将机械分词与基于规则分词相结合,提出一种动态更新词库的中文分词架构.本架构给出了新的词典设计结构及歧义处理规则,并将统计学中的互信息概念运用到新词判定环节.实验表明本文提出的中文分词架构具有较高的准确率和良好的适应性.     

基于RSKNN分类改进算法

RSKNN算法是K近邻算法的一种改进算法,该算法基于变精度粗糙集理论,能在保证一定分类精度的前提下,有效地降低分类样本的计算量,并且提高计算效率和分类精度．由于RSKNN算法对属性的依赖度较高,在分类时容易受到伪近邻的影响,导致RSKNN算法的分类精度受到一定程度的影响．针对存在问题,本文提出一种新颖的基于RSKNN算法的改进算法SMwRSKNN,该算法在RSKNN算法的基础上引入类别子空间的思想,以降低冗余属性和伪近邻对分类的影响．在UCI公共数据集上的实验结果表明,SMwRSKNN算法比RSKNN算法具有更高的分类精度．     

基于互斥角色约束的SSOD策略实现研究

静态职责分离（SSOD）是保证计算机安全的重要策略。在基于角色的权限控制(RBAC)中直接基于互斥角色约束（2-2 SMER）实现最简单的SSOD策略（2-n SSOD）是困难的。通过对互斥角色的权限分配进行约束,研究并证明了基于2-2 SMER实现2-n SSOD策略的充分条件,此充分条件和现有研究相比具有更弱的约束力,支持更灵活的权限分配。进一步给出了实现2-n SSOD策略的授权管理操作规则,以确保权限的动态管理始终满足此充分条件,维持系统对2-n SSOD策略的满足状态。最后,通过应用实例说明了实现2-n SSOD策略方法的有效性和可行性     

基于互信息的颅脑MR影像序列的三维配准

医学图像配准具有重要的临床应用价值,并一直是医学图像处理领域的热点研究问题。基于互信息的配准方法由于自动化程度高和配准精度高的优点而被广泛应用于三维医学图像配准;但是,也存在着数据量大、计算速度慢的问题。采用归一化互信息测度,并将一种新的正交优化技术应用于颅脑MR影像序列的三维配准,旨在缩短处理时间。将该方法与使用传统优化算法的配准方法作了比较,实验结果表明,提出的方法能够显著提高配准速度,且不降低配准精度。     

电流互感器误差的一种数字补偿方法

提出了一种对电流互感器误差基于单片机的数字补偿原理。互感器误差具有的非线性特性给左补偿带来困难。有源补偿提取实时激磁电流的方法过于复杂,且难于实现。文中的数字补偿器,通过引进计算机控制避开了提取实时激磁电流,较之与利用相似原理、模拟装置的有源补偿器具有误差补偿的精度高、智能化、通过性强的优点。对离散误差资料进行曲线拟合,误差曲线质量对补偿器性能至关重要。由于误差曲线是光滑的,实际采用阿克玛方法拟合,得到了较好的效果。文章还着重介绍了数字补偿器各主要部分设计原理,概述了其原理、核心硬件和软件设计流程,给出了补偿误差的具体实验结果。     

网络学习基本模式分析

分析了网络学习的基本模式,并指明创建一个远程学习者良好学习环境所要考虑的几个因素。     

共轴圆线圈和圆板的互感系数计算

本文给出了同轴圆线圈和圆板间互感系数的近似函数表达式。并用Matlab绘制了该互感系数随线板间距离和圆板大小的变化曲线。此外,根据磁感应强度的解析表达式,计算了载流线圈的磁力线分布图,分析了其磁感应强度的分布,并给出了它的径向分布曲线。     

Application of partial mutual information variable selection to ANN forecasting of water quality in water distribution systems

Recent trends in the management of water supply have increased the need for modelling techniques that can provide reliable, efficient, and accurate representation of the complex, non-linear dynamics of water quality within water distribution systems. Statistical models based on artificial neural networks (ANNs) have been found to be highly suited to this application, and offer distinct advantages over more conventional modelling techniques. However, many practitioners utilise somewhat heuristic or ad hoc methods for input variable selection (IVS) during ANN development.This paper describes the application of a newly proposed non-linear IVS algorithm to the development of ANN models to forecast water quality within two water distribution systems. The intention is to reduce the need for arbitrary judgement and extensive trial-and-error during model development. The algorithm utilises the concept of partial mutual information (PMI) to select inputs based on the analysis of relationship strength between inputs and outputs, and between redundant inputs. In comparison with an existing approach, the ANN models developed using the IVS algorithm are found to provide optimal prediction with significantly greater parsimony. Furthermore, the results obtained from the IVS procedure are useful for developing additional insight into the important relationships that exist between water distribution system variables.